[發明專利]基于卷積神經網絡的聲學特征提取方法、裝置和終端設備

有效

• 申請號: 201710172622.6
• 申請日: 2017-03-21
• 公開（公告）號: CN106887225B
• 公開（公告）日: 2020-04-07
• 發明（設計）人: 李超;李先剛
• 申請（專利權）人: 百度在線網絡技術（北京）有限公司
• 主分類號: G10L15/02
• 分類號: G10L15/02;G10L15/16
• 代理公司: 北京清亦華知識產權代理事務所(普通合伙) 11201
• 代理人: 宋合成

1.一種基于卷積神經網絡的聲學特征提取方法，其特征在于，包括：

將待識別的語音排列成預定緯數的語譜圖；

通過卷積神經網絡對所述預定緯數的語譜圖進行識別，獲得所述待識別的語音中的聲學特征；

其中，所述通過卷積神經網絡對所述預定緯數的語譜圖進行識別包括：

通過卷積神經網絡的殘差網絡結構或跳躍鏈接結構對所述預定緯數的語譜圖進行識別；

所述通過卷積神經網絡的殘差網絡結構或跳躍鏈接結構對所述預定緯數的語譜圖進行識別之前，還包括：配置所述卷積神經網絡的殘差網絡結構的模型或跳躍鏈接結構的模型；

所述配置所述卷積神經網絡的殘差網絡結構的模型或跳躍鏈接結構的模型包括：

對于由1個64通道的濾波器組的卷積有向無環圖組成的64通道的濾波器模塊，由池化層在時域和頻域上均做降采樣；

對于由1個128通道的濾波器組的卷積有向無環圖組成的128通道的濾波器模塊，由池化層在時域和頻域上均做降采樣；

對于由1個256通道的濾波器組的卷積有向無環圖組成的256通道的濾波器模塊，由池化層在頻域上做降采樣；

對于由1個512通道的濾波器組的卷積有向無環圖組成的512通道的濾波器模塊，由池化層在頻域上做降采樣。

2.根據權利要求1所述的方法，其特征在于，所述將待識別的語音排列成預定緯數的語譜圖包括：

每隔預定的時間間隔從所述待識別的語音中提取預定緯度的特征向量，以將所述待識別的語音排列成預定緯數的語譜圖。

3.一種基于卷積神經網絡的聲學特征提取裝置，其特征在于，包括：

生成模塊，用于將待識別的語音排列成預定緯數的語譜圖；

識別模塊，用于通過卷積神經網絡對所述生成模塊生成的預定緯數的語譜圖進行識別，獲得所述待識別的語音中的聲學特征；

其中，所述識別模塊，具體用于通過卷積神經網絡的殘差網絡結構或跳躍鏈接結構對所述預定緯數的語譜圖進行識別；

所述裝置還包括：

配置模塊，用于在所述識別模塊對所述預定緯數的語譜圖進行識別之前，配置所述卷積神經網絡的殘差網絡結構的模型或跳躍鏈接結構的模型；

所述配置模塊，具體用于對于由1個64通道的濾波器組的卷積有向無環圖組成的64通道的濾波器模塊，由池化層在時域和頻域上均做降采樣；對于由1個128通道的濾波器組的卷積有向無環圖組成的128通道的濾波器模塊，由池化層在時域和頻域上均做降采樣；對于由1個256通道的濾波器組的卷積有向無環圖組成的256通道的濾波器模塊，由池化層在頻域上做降采樣；對于由1個512通道的濾波器組的卷積有向無環圖組成的512通道的濾波器模塊，由池化層在頻域上做降采樣。

4.根據權利要求3所述的裝置，其特征在于，

所述生成模塊，具體用于每隔預定的時間間隔從所述待識別的語音中提取預定緯度的特征向量，以將所述待識別的語音排列成預定緯數的語譜圖。

5.一種終端設備，其特征在于，包括：

一個或多個處理器；

存儲裝置，用于存儲一個或多個程序；

當所述一個或多個程序被所述一個或多個處理器執行時，使得所述一個或多個處理器實現如權利要求1-2中任一所述的方法。

6.一種包含計算機可執行指令的存儲介質，所述計算機可執行指令在由計算機處理器執行時用于執行如權利要求1-2中任一所述的方法。